首页 / 算法 / 标签传播算法(llgc 或 lgc)
标签传播算法(llgc 或 lgc)
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了标签传播算法(llgc 或 lgc)，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含6451字，纯文字阅读大概需要10分钟。
内容图文
动手实践标签传播算法
初始化算法
载入一些必备的库：
from IPython.display import set_matplotlib_formats
%matplotlib inline
#set_matplotlib_formats('svg', 'pdf')
import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial.distance import cdist
from sklearn.datasets import make_moons
save_dir = '../data/images'创建一个简单的数据集
利用 make_moons 生成一个半月形数据集。
n = 800 # 样本数
n_labeled = 10 # 有标签样本数
X, Y = make_moons(n, shuffle=True, noise=0.1, random_state=1000)
X.shape, Y.shape((800, 2), (800,))def one_hot(Y, n_classes):
'''
对标签做 one_hot 编码
参数
=====
Y: 从 0 开始的标签
n_classes: 类别数
'''
out = Y[:, None] == np.arange(n_classes)
return out.astype(float)color = ['red' if l == 0 else 'blue' for l in Y]
plt.scatter(X[:, 0], X[:, 1], color=color)
plt.savefig(f"{save_dir}/bi_classification.pdf", format='pdf')
plt.show()
Y_input = np.concatenate((one_hot(Y[:n_labeled], 2), np.zeros((n-n_labeled, 2))))
算法过程：
Step 1: 创建相似度矩阵 W
def rbf(x, sigma):
return np.exp((-x)/(2* sigma**2))sigma = 0.2
dm = cdist(X, X, 'euclidean')
vfunc = np.vectorize(rbf)
vfunc = np.vectorize(rbf)
W = vfunc(dm, sigma)
np.fill_diagonal(W, 0) # 对角线全为 0Step 2: 计算 S
\[ S = D^{-\frac{1}{2}} W D^{-\frac{1}{2}} \]
向量化编程：
def calculate_S(W):
d = np.sum(W, axis=1)
D_ = np.sqrt(d*d[:, np.newaxis]) # D_ 是 np.sqrt(np.dot(diag(D),diag(D)^T))
return np.divide(W, D_, where=D_ != 0)
S = calculate_S(W)迭代一次的结果
alpha = 0.99
F = np.dot(S, Y_input)*alpha + (1-alpha)*Y_input
Y_result = np.zeros_like(F)
Y_result[np.arange(len(F)), F.argmax(1)] = 1
Y_v = [1 if x == 0 else 0 for x in Y_result[0:,0]]
color = ['red' if l == 0 else 'blue' for l in Y_v]
plt.scatter(X[0:,0], X[0:,1], color=color)
#plt.savefig("iter_1.pdf", format='pdf')
plt.show()
Step 3: 迭代 F "n_iter" 次直到收敛
n_iter = 150
F = Y_input
for t in range(n_iter):
F = np.dot(S, F)*alpha + (1-alpha)*Y_inputStep 4: 画出最终结果
Y_result = np.zeros_like(F)
Y_result[np.arange(len(F)), F.argmax(1)] = 1
Y_v = [1 if x == 0 else 0 for x in Y_result[0:,0]]
color = ['red' if l == 0 else 'blue' for l in Y_v]
plt.scatter(X[0:,0], X[0:,1], color=color)
#plt.savefig("iter_n.pdf", format='pdf')
plt.show()
from sklearn import metrics
print(metrics.classification_report(Y, F.argmax(1)))
acc = metrics.accuracy_score(Y, F.argmax(1))
print('准确度为',acc) precision recall f1-score support
0 1.00 0.86 0.92 400
1 0.88 1.00 0.93 400
micro avg 0.93 0.93 0.93 800
macro avg 0.94 0.93 0.93 800
weighted avg 0.94 0.93 0.93 800
准确度为 0.92875sklearn 实现 lgc
参考：https://scikit-learn.org/stable/modules/label_propagation.html
在 sklearn 里提供了两个 lgc 模型：LabelPropagation 和 LabelSpreading，其中后者是前者的正则化形式。\(W\) 的计算方式提供了 rbf 与 knn。
rbf核由参数gamma控制（\(\gamma=\frac{1}{2{\sigma}^2}\)）knn核 由参数n_neighbors（近邻数）控制
def pred_lgc(X, Y, F, numLabels):
from sklearn import preprocessing
from sklearn.semi_supervised import LabelSpreading
cls = LabelSpreading(max_iter=150, kernel='rbf', gamma=0.003, alpha=.99)
# X.astype(float) 为了防止报错 "Numerical issues were encountered "
cls.fit(preprocessing.scale(X.astype(float)), F)
ind_unlabeled = np.arange(numLabels, len(X))
y_pred = cls.transduction_[ind_unlabeled]
y_true = Y[numLabels:].astype(y_pred.dtype)
return y_true, y_predY_input = np.concatenate((Y[:n_labeled], -np.ones(n-n_labeled)))
y_true, y_pred = pred_lgc(X, Y, Y_input, n_labeled)
print(metrics.classification_report(Y, F.argmax(1))) precision recall f1-score support
0 1.00 0.86 0.92 400
1 0.88 1.00 0.93 400
micro avg 0.93 0.93 0.93 800
macro avg 0.94 0.93 0.93 800
weighted avg 0.94 0.93 0.93 800networkx 实现 lgc
先谈谈 networkx 的 graph 与其他数据格式转换（参考：https://www.cnblogs.com/wushaogui/p/9240941.html） ：
从字典生成图
import networkx as nx
from networkx.algorithms import node_classificationdod = {0: {1: {'weight': 1}}}
G = nx.from_dict_of_dicts(dod) #或G=nx.Graph(dpl)
plt.subplots(1,1,figsize=(6,3))
nx.draw(G)
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.show()
#图转换为字典
print(nx.to_dict_of_dicts(G))
{0: {1: {'weight': 1}}, 1: {0: {'weight': 1}}}从列表中创建graph
dol = {0: [1, 2, 3]}
edgelist = [(0, 1), (0, 3), (2, 3)]
G1 = nx.from_dict_of_lists(dol) # 或G=nx.Graph(dol)
G2 = nx.from_edgelist(edgelist)
# 显示graph
plt.subplots(1, 2, figsize=(5, 3))
plt.subplot(121)
nx.draw(G1, with_labels=True, font_weight='bold')
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.subplot(122)
nx.draw(G2, with_labels=True, font_weight='bold')
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.show()
# graph转list
print(nx.to_dict_of_lists(G1))
print(nx.to_edgelist(G1))
{0: [1, 2, 3], 1: [0], 2: [0], 3: [0]}
[(0, 1, {}), (0, 2, {}), (0, 3, {})]graph 与 numpy
#从numpy创建graph
import numpy as np
a = np.reshape(np.random.random_integers(0, 1, size=100), (10, 10))
D = nx.DiGraph(a)
nx.draw(D, with_labels=True, font_weight='bold')
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.show()
#graph返回numpy
G=nx.Graph()
G.add_edge(1, 2, weight=7.0, cost=5)
A1 = nx.to_numpy_matrix(G)
A2 = nx.to_numpy_recarray(G, dtype=[('weight', float), ('cost', int)])
print(A1,A2) 
[[0. 7.]
[7. 0.]] [[(0., 0) (7., 5)]
[(7., 5) (0., 0)]]从 scipy 创建 graph
#从scipy创建graph
G.clear()
import scipy as sp
A = sp.sparse.eye(2, 2, 1)
G = nx.from_scipy_sparse_matrix(A)
nx.draw(D, with_labels=True, font_weight='bold')
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.show()
#graph返回scipy
A = nx.to_scipy_sparse_matrix(G)
print(A.todense())
[[0. 1.]
[1. 0.]]graph 与 Pandas
#从pandas创建graph
G.clear()
import pandas as pd
df = pd.DataFrame([[1, 1], [2, 1]])
G = nx.from_pandas_adjacency(df)
nx.draw(D, with_labels=True, font_weight='bold')
plt.axis('on')
plt.xticks([])
plt.yticks([])
plt.show()
#graph返回scipy
df = nx.to_pandas_adjacency(G)
print(df)
0 1
0 1.0 2.0
1 2.0 1.0参考：networkx.algorithms.node_classification.lgc.local_and_global_consistency 具体的细节，我还没有研究！先放一个简单的例子：
G = nx.path_graph(4)
G.node[0]['label'] = 'A'
G.node[3]['label'] = 'B'
G.nodes(data=True)
G.edges()
predicted = node_classification.local_and_global_consistency(G)
predicted['A', 'A', 'B', 'B']更多精彩内容见：DecodePaper 觉得有用，记得给个 star !(@DecodePaper)
内容总结
以上是互联网集市为您收集整理的标签传播算法(llgc 或 lgc)全部内容，希望文章能够帮你解决标签传播算法(llgc 或 lgc)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】